Kortingsfraude staat hoog op de lijst van retaildelicten die die professionals op het gebied van vermogensbescherming het meeste zorgen baren. Korting is een volkomen legitieme praktijk (behalve wanneer het op frauduleuze wijze gebeurt, natuurlijk), wat het moeilijk maakt om de geldige transacties te onderscheiden van de illegale. Elk jaar verliezen retailers miljoenen euro’s aan illegale kortingen.
Veel retailers maken gebruik van geavanceerde analytische oplossingen zoals prescriptieve analyses of oudere, op uitzonderingen gebaseerde, rapportages om deze schadelijke fraude te stoppen. Ze weten dat gegevens niet gemanipuleerd kunnen worden en dat een geavanceerde oplossing zelfs de meest verfijnde illegale kortingsactiviteiten kan aangeven. Hier zijn drie soorten kortingsfraude die geavanceerde analyse kunnen identificeren en signaleren voordat het verlies toeneemt:
Misbruik van coupons
De meeste retailers bieden een geliefde, maar uiterst risicovolle service voor klanten die wij couponteruggave noemen. Stel je voor dat een klant heeft betaald bij een winkel en vergeet om de coupons te gebruiken. De medewerker neemt de coupons mee, controleert of alle relevante items op het bonnetje staan en betaalt de klant de nominale waarde van de coupons in contanten terug.
De kans op fraude is groot omdat medewerkers niet per se een bon nodig hebben om coupons terug te betalen. Theoretisch gezien zouden ze coupons die ze ergens anders uitgeknipt hebben, kunnen meenemen en ze allemaal aan zichzelf kunnen uitbetalen in contant geld. Zolang ze de terugbetaalde coupons in hun kassa’s laten liggen zal niemand iets vermoeden.
Geavanceerde analyses kunnen dit risico beperken. Er zijn verschillende mogelijkheden die een retailer kan nemen. Een van de meest succesvolle en eenvoudigste is het markeren van coupons die buiten een bestelling om worden terugbetaald. Dit betekent dat als medewerkers de terugbetaling van de coupon verrichten zonder eerst de bon van de klant te, de analytische oplossing dit documenteert. Zodra medewerkers een abnormaal (statistisch berekend op basis van geavanceerde wiskunde) aantal terugbetalingen uitvoeren zonder het scannen van de bon, wordt er een waarschuwing naar de activabescherming gestuurd om hen te informeren over het gedrag en hen de opdracht te geven een onderzoek in te stellen. Sommige oplossingen bevatten ook de camerabeelden die ten tijde van het incident zijn gemaakt, naast de desbetreffende bonnetjes in kwestie.
Afprijzingsmisbruik
Deze activiteit is vooral populair na de feestdagen, wanneer de winkels de seizoenartikelen met hoge kortingen, tot soms wel 80%, aanbieden. Een kortingskaartje op een product is een verleidelijk gezicht voor een onbetrouwbare werknemer. Er zijn veel gedocumenteerde gevallen van medewerkers die kortingskaartjes op dure items plaatsen om zo honderden euro’s te besparen. Enkele zeer populaire doelwitten zijn onder andere hoogwaardige elektronica, designerkleding, medicijnen en vlees. Om verdenking te voorkomen, kunnen strafbare medewerkers bij een andere kassa betalen dan bij hun eigen of met een samenwerkende medewerker als “klant” naar buiten lopen om onschuldiger te lijken op de camerabeelden.
Een belangrijke kracht van sommige geavanceerde analysemethoden is de machine learning-mogelijkheid die “clustering” wordt genoemd (d.w.z. het groeperen van bepaalde entiteiten zoals medewerkers of winkels op basis van vergelijkbaar gedrag of vergelijkbare kenmerken). Clustering geeft professionals op het gebied van activabescherming de mogelijkheid om individuele entiteiten binnen elk cluster te vergelijken met het benchmarkgemiddelde van de groep voor elke KPI. Machine learning gebruikt de clusterbenchmark om activiteiten te markeren die significant afwijken van de clusterbenchmark. Wanneer bijvoorbeeld een overmatige afprijsactiviteit wordt geconstateerd, kunnen de beste oplossingen zelfs bepalen welke medewerker(s) deze heeft (hebben) verwerkt. Prescriptieve acties maken het gemakkelijk voor de activabescherming om de omvang van hun onderzoek te beperken en snel in te grijpen.
Misbruik van personeelskorting
Werknemerskortingen zijn een populair voordeel in de retail. Weinig dingen maken werknemers gelukkiger dan een royale korting op hun favoriete producten, ook al is deze beperkt tot een bepaald totaal bedrag per jaar of kwartaal. Ondanks dat het een hoge kostenpost is voor de retailers die ze aanbieden, zijn de kortingen een must-have voor medewerkers. Het is dus van essentieel belang om de korting in de gaten te houden. Werknemers kunnen soms wat te gul zijn met hun speciale korting, en delen soms hun kaart of code met familieleden, vrienden, partners of zelfs met vreemden op straat. Elk misbruik moet worden geïdentificeerd en gestopt voordat de medewerkers de korting delen met nog meer mensen, of nog erger, producten kopen met een enorme korting en deze online verkopen tegen de verkoopprijs.
Benchmarkgemiddelde
De eerder genoemde clustervorming kan snel en eenvoudig verdachte kortingsactiviteiten identificeren door een benchmarkgemiddelde te creëren voor de kortingen die elke werknemer inzet. Een aanzienlijk bovengemiddelde piek in kortingsgebruik wordt doorgegeven aan de onderzoekers van activabescherming om op te volgen. Naast de benchmarkafwijkingen kunnen geavanceerde analytische oplossingen vele andere indicatoren van illegaal kortingsgebruik identificeren. Voorbeelden hiervan zijn:
- Een korting in combinatie met de klantenkaart van iemand anders
- Een korting gebruikt bij meerdere winkels binnen enkele minuten na elkaar
- Een korting die wordt toegepast op meerdere, individuele items gedurende de gehele dienst van de betreffende werknemer.
- Een korting die wordt toegepast op een transactie die alleen bestaat uit diefstalgevoelige artikelen (bijv. tablets, designer cosmetica, tandenbleekstrips, inktpatronen).
Slechts enkele gevallen van kortingsfraude ontsnappen aan het waakzame oog van een geavanceerde analytische oplossing. Met de robuuste analyse die gegevens doorkamt voor zelfs het geringste spoor van illegale activiteit, kunnen deskundigen op het gebied van verliespreventie gevallen snel identificeren en oplossen, voordat de verliezen kunnen oplopen tot kritieke niveaus.
Door Guy Yehiav, General Manager & Vice President van Zebra Prescriptive Analytics, Zebra Technologies
